본 논문은 대규모 언어 모델(LLM)의 인지적 편향과 외부 지식 의존성을 줄이기 위해 편향을 유발할 수 있는 단어들을 해시와 같은 의미 없는 식별자로 마스킹하는 새로운 방법인 "해싱"을 제안합니다. Llama, ChatGPT, Copilot, Gemini, Mixtral 모델을 포함한 총 490개의 프롬프트에 걸쳐 세 가지 실험을 통해 해당 방법을 검증했습니다. 카이제곱 검정을 사용한 통계 분석 결과, 수정된 "Linda 문제"를 이용한 인지적 편향 감수성 평가, 빈번 항목 집합 추출 작업, 그리고 표 형태로 제시된 Linda 문제 등 모든 실험 시나리오에서 유의미한 개선을 보였습니다. 해싱은 편향 감소와 외부 지식 통합에 효과적임을 보였지만, 환각률 감소 효과는 LLM 모델 종류에 따라 일관적이지 않았습니다. 이는 편향 유발 용어 마스킹이 LLM 성능을 향상시킬 수 있음을 시사하지만, 그 효과는 모델과 작업에 따라 다름을 보여줍니다.
